Обнаружение архитектурного искажений в предыдущих Маммограммы Через Анализ ориентированных шаблонов

Общая цель этой процедуры заключается в выявлении малозаметных признаков рака молочной железы, в частности, архитектурных искажений на маммограммах. Это достигается путем предварительной обработки данной маммограммы для обнаружения части молочной железы и удаления артефактов на данном маммографическом изображении. Второй шаг заключается в обнаружении ориентированных структур на изображении с помощью банка фильтров Габора.

Затем поле ориентации анализируется с помощью фазовых портретов для обнаружения узловых шаблонов, которые могут указывать на наличие архитектурных искажений. Последним шагом является анализ всех обнаруженных областей путем извлечения атрибутов или показателей, которые характеризуют архитектурные искажения и помогают отсеять ложные тревоги. В конечном итоге, подтвержденные подозрительные участки представляются радиологу для дальнейшего анализа, а эффективность процедуры оценивается в сравнении с результатами клинических тестов, таких как биопсия.

Основное преимущество нашей методики перед существующими методами, такими как компьютерное ранжирование образований, заключается в том, что мы можем обнаруживать тонкие признаки архитектурных искажений без обнаружения центральной опухоли или образования. Применение этого метода распространяется на диагностику и лечение рака молочной железы. Он облегчает диагностику ранних стадий рака молочной железы и, следовательно, улучшает прогноз лечения.

Визуальная демонстрация этого метода имеет решающее значение. Этапы обработки изображений сложны. Есть несколько замысловатых шагов, которые математически сложны.

Шаги этого протокола выполняются с использованием комбинации пользовательского и пакетного программного обеспечения. Начните процедуру с оцифрованной маммографии пуха, взятой с помощью фильтра Гаусса. Сегментируйте область молочной железы на изображении с помощью метода адаптивного порога tzu и определите приблизительную границу молочной железы.

Далее извлеките ориентированные паттерны с помощью фильтров Габора. Фильтр Габора представляет собой анизотропный полосовой фильтр с предпочтительной ориентацией. Эта функция реального фильтра Габора ориентирована под углом минус 90 градусов.

Сигма — это стандартные отклонения вдоль соответствующих осей, а F-узел — частота модуляции. Синусоидальные фильтры под другими углами получаются с помощью преобразования координат. Эта анимация показывает импульсную характеристику фильтра Габора слева и спектральную или частотную характеристику справа, изменения по мере того, как угол ориентации начинается с минус 90 градусов и проходит через 180 градусов правого узла Sigma X и F в терминах тау, полной ширины на половине максимума гауссова члена.

Также запишите сигму Y как кратную L сигма X. Теперь tau и L управляют центральной частотой и шириной полосы пропускания фильтра, а также шириной и длиной ориентированных компонентов, которые будут отфильтрованы в этой анимации. Значение тау в фильтре Габора варьируется, при этом все остальные параметры остаются постоянными. При увеличении тау ширина функции Габора в пространственной области увеличивается, а центральная частота частотной характеристики уменьшается.

В этой анимации показано влияние параметра L на импульсную характеристику и спектральную характеристику фильтра Габора. Для практического применения необходимо выбрать соответствующие значения для тау и L, а также использовать несколько фильтров. В этом видео показано применение фильтров 180 Gabor к тестовому изображению установки с деталями, ориентированными под несколькими углами.

Очевидно, что отклик фильтра Габора захватывает ориентированные компоненты, присутствующие на изображении, под различными углами. Максимальный отклик на каждом пикселе по всем используемым углам фильтра сохраняется в одном изображении, называемом откликом по амплитуде Габора. Соответствующий угол фильтра Габора сохраняется для каждого пикселя на другом изображении, называемом угловой характеристикой Габора.

Выберите подходящие значения тау и L для маммографии. Далее нанесите на изображение банк из 180 реальных фильтров Габора, равномерно распределенных по диапазону от минус 90 градусов до плюс 90 градусов. Каждый фильтр извлекает ориентированные компоненты маммограммы в соответствующем пространстве.

Доменное направление для каждой маммограммы генерирует изображение габа или амплитудного отклика, используя наибольший отклик амплитуды на каждом пикселе. Итоговое изображение габа или амплитудного отклика показывает высокие значения пикселей, связанных с ориентированными узорами, и, таким образом, выделяет тканевые структуры с предпочтительными направленными характеристиками. Регионы с примерно одинаковыми уровнями серого и без ориентированной текстуры в результате не сохраняются.

Кроме того, для каждой маммограммы сгенерируйте изображение с габом или угловым откликом, опять же, используя наибольший отклик на каждом пикселе. На этом изображении показан угол доминирующего ориентированного узора в каждом пикселе. Углы на этом изображении согласуются с углами нижележащих тканевых структур.

Здесь амплитудная характеристика Габора и угловая характеристика Габора показаны рядом. Прямоугольники показывают область интереса, определенную рентгенологом. Более подробная информация обеспечивается этими увеличенными изображениями интересующей области.

Следующим шагом является использование изображения амдуктивного отклика Габора для идентификации интересующих кривых линейных структур с помощью метода немаксимального подавления. Здесь пиксели, отмеченные белым цветом, являются выбранными основными пикселями, которые являются потенциальными индикаторами спикул или фиброзно-железистых тканей. Теперь удалите пиксели ядра, связанные с сильным градиентом, чтобы предотвратить ошибочную идентификацию структур.

В результате получаются интересующие нас линейные структуры кривизны. Здесь представлены детали одной и той же области до и после удаления пикселей, связанных с сильным градиентом. Как только это будет сделано, отфильтруйте поле ориентации с помощью гауссова фильтра и уменьшите выборку, чтобы уменьшить шум и сократить необходимые вычисления.

Здесь показана процедура подачи голосов при анализе фазового портрета. Оригинальная маммография показана слева, а соответствующая реакция на угол габора показана справа слева. Маленькое синее окно показывает, как окно анализа скользит по окну исходного изображения.

Позиции, за которые не было проголосовано на карте узлов, пропускаются и не отображаются в окне видео. Позиции, которые приводят к голосованию на карте узлов, отмечены зеленой звездочкой в соответствующей позиции справа в конце процедуры, карта узлов содержит карту точек или голосов за подачу, ожидается, что относительно большое количество голосов будет подано в местах, содержащих расходящиеся или сходящиеся ориентированные шаблоны. Для получения отфильтрованной версии карты узлов применяется сглаживающий или накопительный фильтр.

Локальные пики обнаруживаются на отфильтрованной карте узлов, что облегчает нарезку областей интереса для дальнейшего анализа. Теперь ранжируйте вершины на карте узлов в соответствии с их значениями. Как только это будет сделано, вырежьте области интереса из исходного изображения, центрированные на соответствующих пиках на карте узлов, для узлов по краям, создайте области интереса, которые включают в себя как можно больше данных изображения, доступных в указанном местоположении пика.

Начните определение характеристик с выбора области интереса, ее предварительной обработки и выполнения двумерного преобразования фойе. Здесь показан логарифм спектра мощности после его преобразования в полярные координаты частоты и угла. Угол, отображаемый на горизонтальной оси, колеблется от нуля градусов до 179 градусов.

Радиальная частота по вертикальной оси колеблется от 0,02 миллиметра до отрицательной до 2,5 миллиметров до отрицательной с левым верхним углом, от 0,02 миллиметра до отрицательной и нулевых градусов. Теперь преобразуем двумерный спектр в одномерную функцию пространственной частоты. Путем интегрирования спектра мощности в полярных координатах по углам для каждого значения пространственной частоты.

Ниже приведена функция, построенная в логарифмическом масштабе, исключающая области с низкой и высокой частотой и применяемая линейная регрессия для определения наклона аппроксимированной линии. Этот наклон является оценкой степенного коэффициента бета дробного домового. В движущейся модели.

Используйте это для вычисления фрактальной размерности для вычисления энтропии. Возврат к двумерному спектру в полярных координатах. Преобразуйте его в одномерную функцию угла, интегрируя его по пространственным значениям частот.

Для каждого значения угла нормализуйте функцию так, чтобы она суммировалась с единицей. Затем вычислите энтропию полученного результата. На данный момент для каждой из них есть три меры.

Автоматически определяемая область интереса, значение узла, фрактальная размерность и энтропия. Используйте их для характеристики умозрительных паттернов, связанных с архитектурными искажениями, и отделите их от нормальных тканевых паттернов. Разработайте классификатор с использованием областей интереса, классифицированных радиологом.

Здесь в пространстве признаков показаны классификации областей, вырезанных из помеченных изображений во время обучения: зеленый для ложных срабатываний и синий для истинно положительных. Также показаны выходные данные обученного классификатора для анализируемого тестового случая. Черным цветом показаны ложные срабатывания, а красным — истинные срабатывания.

На этом графике черная линия показывает кривую рабочих характеристик приемника со свободным откликом. Когда используется только значение узла, оно имеет чувствительность 80% с 8,1 ложными срабатываниями на пациента. Красная кривая представляет результаты, когда значение узла трех признаков, энтропия и фрактальная размерность используются вместе с чувствительностью 80%.

Это приводит к 5,6 ложноположительным результатам на одного пациента. На этом рисунке показаны шесть интересующих регионов с самым высоким рейтингом. Цифры за скобками указывают на ранжирование в соответствии с байесовским классификатором.

Цифры в скобках соответствуют более раннему ранжированию карты узлов. Зеленые прямоугольники представляют собой действительно положительные области интереса. На заключительном этапе анализа желтые прямоугольники представляют собой ложные срабатывания.

Красный прямоугольник — это область с архитектурными искажениями, выявленными радиологом. Три из областей с высоким рейтингом перекрываются с подозрительной областью архитектурных искажений, отмеченной рентгенологом, что указывает на успешное обнаружение с помощью процедуры. После дальнейшей работы над оптимизацией наших алгоритмов и программ, процедуры могут быть применены к маммографии в клинике путем включения компьютера с нашим программным обеспечением и подходящими системами отображения в рабочий процесс рентгенолога.

После наших процедур могут быть разработаны другие методы, чтобы ответить на дополнительные вопросы, например, как архитектурные искажения и опухоли молочной железы развиваются с течением времени. Результаты наших процедур могут быть внедрены в радиологическую практику, что позволяет диагностировать рак молочной железы на ранних стадиях, а значит, улучшить результаты лечения.